📄 Mostrando la versión "Simple" — "Avanzado" aún no está lista. Añádelo a favoritos para ayudar a priorizarla. Pedir el análisis completo

Dos cerraduras casi idénticas se abren con la misma ganzúa. Por fuera parecen iguales, pero por dentro el mecanismo es distinto. Así se ven los dos principales tipos de cáncer de pulmón de células no pequeñas: el adenocarcinoma y el carcinoma de células escamosas. Al microscopio se pueden confundir, pero el tratamiento que requieren es diferente. Aquí es donde entra en juego la «lupa» cuántica.

Los investigadores tomaron datos sobre la actividad de los genes y los «interruptores» químicos (metilación del ADN) de cientos de pacientes. Primero identificaron genes que se comportan de manera distinta en el tumor y en el tejido sano, como si en una habitación la luz estuviera encendida y en la otra, apagada. Luego entrenaron un clasificador cuántico con esas diferencias. No actúa como un programa ordinario, sino que usa las leyes del mundo microscópico, donde una partícula puede estar en varios estados a la vez. Esto permite revisar rápidamente muchas combinaciones de características y encontrar las más importantes.

Luego viene lo más interesante. Los genes que señaló el algoritmo cuántico resultaron estar relacionados con la transmisión de señales nerviosas, el funcionamiento de los canales iónicos (poros diminutos en la membrana celular) y el desarrollo de las neuronas. Además, el análisis de las rutas bioquímicas reveló cadenas conocidas por los oncólogos: las de neurotrofinas, MAPK, Ras y PI3K-Akt. En ellas participan las proteínas NGFR, NTRK2 y NTF3. Parece que el tumor utiliza las mismas vías de señalización que el sistema nervioso para crecer y sobrevivir. Esto abre nuevas dianas para los medicamentos.

Así, la «lupa» cuántica no solo precisó el diagnóstico, sino que iluminó mecanismos ocultos de la enfermedad. En el futuro, estos métodos ayudarán al médico a elegir la terapia no por el aspecto del tumor, sino por su retrato molecular, de forma rápida y precisa.

Resumen original

tal como lo escribieron los autores, en inglés arXiv:2604.18621

Quantum machine learning offers a promising new paradigm for computational biology by leveraging quantum mechanical principles to enhance cancer classification, biomarker discovery, and bioinformatics diagnostics. In this study, we apply QML to identify subtype specific biomarkers for lung adenocarcinoma (LUAD) and lung squamous cell carcinoma (LUSC), the two predominant forms of non-small cell lung cancer. Our methodology involves a two-phase process: in Phase 1, differential expression analysis and methylation analysis between tumor and normal samples allows us to identify LUAD-specific and LUSC-specific genes, revealing potential prognostic biomarkers for cancer subtypes. Phase 2 focuses on developing a quantum classifier capable of distinguishing between LUAD and LUSC tumors, as well as between tumor and normal samples. This classifier not only enhances diagnostic precision but also demonstrates the quantum advantage in processing large-scale multiomic datasets. Our results consistently demonstrated that Sample3, representing the combined gene set, achieved the highest overall predictive performance in all metrics. These results demonstrate that QML provides an effective and scalable approach for biomarker discovery and subtype specific cancer classification. GO enrichment analysis highlighted the significant involvement of genes in synaptic signaling, ion channel regulation, and neuronal development. In the quantum phase, KEGG analysis further identified enrichment in cancer-associated pathways, including neurotrophin, MAPK, Ras, and PI3KAkt signaling, with key genes such as NGFR, NTRK2, and NTF3 suggesting a central role in neurotrophinmediated oncogenic processes. Our findings highlight the growing potential of quantum computing to advance precision oncology and next-generation biomedical analytics.